KR102549490B1 - 예지정비장치 및 방법 - Google Patents

예지정비장치 및 방법 Download PDF

Info

Publication number
KR102549490B1
KR102549490B1 KR1020200026531A KR20200026531A KR102549490B1 KR 102549490 B1 KR102549490 B1 KR 102549490B1 KR 1020200026531 A KR1020200026531 A KR 1020200026531A KR 20200026531 A KR20200026531 A KR 20200026531A KR 102549490 B1 KR102549490 B1 KR 102549490B1
Authority
KR
South Korea
Prior art keywords
noise
vibration
unit
learning
facility
Prior art date
Application number
KR1020200026531A
Other languages
English (en)
Other versions
KR20210111502A (ko
Inventor
권상인
Original Assignee
권상인
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 권상인 filed Critical 권상인
Priority to KR1020200026531A priority Critical patent/KR102549490B1/ko
Publication of KR20210111502A publication Critical patent/KR20210111502A/ko
Application granted granted Critical
Publication of KR102549490B1 publication Critical patent/KR102549490B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0066—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by exciting or detecting vibration or acceleration
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

본 발명의 일 실시예에 따른 예지정비장치는 소음 및 진동 중 적어도 하나 이상이 발생하는 시설물 또는 구조물의 종류를 입력하는 입력부; 기 설정된 시간동안 상기 진동의 진동주파수를 측정하는 진동주파수 측정부; 기 설정된 시간동안 상기 소음을 측정하는 소음 측정부; 상기 시설물 또는 구조물의 정상상태시에 발생하는 소음 및 진동을 학습한 후, 학습결과를 기초로 측정된 소음 및 측정된 진동주파수의 주기패턴의 변화를 추출하고, 추철된 주기패턴의 변화크기를 통해 상기 시설물 또는 구조물의 이상발생을 예측하는 딥러닝 자가진단 학습부; 및 상기 딥러닝 자가진단 학습부의 예측결과를 음성 또는 시각으로 출력하는 출력부를 포함한다.

Description

예지정비장치 및 방법{Pre-designated equipment of a facility and Predictive maintenance method using the same}
본 발명은 예지정비장치 및 방법에 관한 것이다.
최근의 구조물 및 설비에 대한 사고나 설비중단에 의한 대규모 피해가 발생하기 때문에 안전 및 성능을 유지하기 위해 설비비와 보전비에 대한 투자를 높이고 있다. 안전 및 성능을 유지하기 위해서 수행하는 일상적 정비와 더불어 예비적 조치, 계획적 정기점검, 정기수리, 정기교체를 수행하는 예방정비를 수행 한다. 고장이 발생한 뒤 수리하는 사고보전(break down maintenance)방식에 비하여 발전된 방법이긴 하지만 계획적 예방정비에서 불필요한 정기교체 및 불 필요한 정기점검 비용이 발생하는 문제점이 있다.
또한 예방정비의 기준요소에서 설비의 가동시간, 부품의 개별적인 교체주기, 운용환경 등의 기준으로 교체주기를 일괄적용 하는 것으로는 부품의 생명주기에 더 큰 영향을 주는 각 부품간의 관계 및 윤할 등의 조합적인 상관관계를 적용하기에 어려움이 있다.
또한 종래의 설비에 대한 예방정비 방법에 있어서 모터와 같은 회전축이 존재하는 물체는 반복주기적 회전으로 발생하는 진동을 진동계를 이용하여 수집한 데이타를 전처리 및 푸리에변환을 적용 진동스펙트럼의 물체에 대한 고유특성패턴을 표준패턴으로 정한 후, 검사대상 물체에도 동일한 조건과 절차로 입력, 데이타 변환된 스펙트럼패턴을 표준패턴과 진동피크를 분석 비교하여 물체의 상태를 판별하는 검사방법을 사용하고 있다.
이와 같은 방법은 물체의 독특한 고유 진동특성패턴을 이용하여 표준패턴을 생성하기 위한 환경준비, 필터조건 및 센서 설정값을 정하기 위한 전문가개입과정이 필요하며, 결과의 정밀도를 높이기 위해서는 작업자의 숙련이 필요하다, 또한 표준패턴을 생성하기 위한 환경조건이 특정되고 검사 시 유지되어야 하는 한계점이 있다.
비파괴검사 분야인 구조물의 안정성 확인, 용접부 피로시험, 균열발생여부 검사 분야에서는 진동 및 소음검사 방법으로 일정한 조건의 힘을 물체에 충격하여 발생한 진동 및 음향에 대한 신호를 수집하여 물체의 고유주파수 및 음향 공진데이타를 정량화하여 기준데이터와 비교분석에 의한 방법으로 구조물의 안정성 및 용접부 상태 판정을 수행한다.
이와 같은 종래 진동검사 방법은 표준패턴을 생성하기 위한 과정에서 많은 측정장비와 측정에 대한 전문지식이 필요하며, 진단검사 결과 확인에도 전문지식이 필요하다는 문제점이 있다.
또 다른 분야에서 별도의 측정장비 없이 간단한 핸디해머로 충격하여 작업자의 청력에 의한 숙련자의 경험에 의존한 방법으로 금속의 경도나 단접불량, 균열 등을 검사하는 분야에서는 작업자의 숙련도가 중요한 결과의 정밀도를 결정하는 문제가 있다.
이에 따른 숙련자의 숙련정도와 심지어는 건강상태에 따라 균일하지 못한 검사결과를 얻게 되는 문제점이 있다.
이상과 같이 상기와 같은 종래의 통계적 규칙기반 프로그램에 의한 진동검사 방법이나 숙련자의 반복적 경험에 의한 방법으로는 다양한 대상물체와 다양한 검사환경에 대한 보편적이고 일반화된 적용이 어렵다는 문제점이 있다.
특허공개공보 10-2009-0133160호
본 발명이 해결하고자 하는 과제는 종래의 문제점을 해결할 수 있는 예지정비장치 및 방법을 제공하는 데 그 목적이 있다.
상기 과제를 해결하기 위한 본 발명의 일 실시예에 따른 예지정비장치는 진동 및 소음이 발생하는 설비에 상시 부착된 상태로 실시간 설비에서 발생하는 진동 및 소리 추이에 기초하여 설비 또는 구조물의 정상상태 및 불량상태를 딥러닝 알고리즘을 통해 학습한 후, 상기 설비 또는 구조물에서 발생하는 소음 및 진동이 학습된 정상상태의 진동 및 소음의 최소 임계점에 도달될 경우, 예지 정비 경고음을 생성하여 관리자에게 제공하는 예지정비장치로서, 상기 예지정비장치는 상기 소음 및 진동 중 적어도 하나 이상이 발생하는 설비 또는 구조물의 종류를 입력하는 입력부; 상기 입력부에서 입력된 설비 또는 구조물의 종류에 따른 자가진단 학습에 필요한 진동주파수의 측정범위(hz) 및 상기 소음의 측정범위(db)를 설정하는 설정부; 기 설정된 시간동안 상기 진동의 진동주파수를 측정하는 진동주파수 측정부; 기 설정된 시간동안 상기 소음을 측정하는 소음 측정부; 상기 설비 또는 구조물의 정상상태 시에 발생하는 소음 및 진동을 학습한 후, 학습결과를 기초로 측정된 소음 및 측정된 진동주파수의 주기패턴의 변화를 추출하고, 추출된 주기패턴의 변화크기를 통해 상기 설비 또는 구조물의 이상발생을 예측하는 딥러닝 자가진단 학습부; 및 상기 딥러닝 자가진단 학습부의 예측결과를 음성 또는 시각으로 출력하는 출력부를 포함하고, 상기 소음측정부는 기 설정된 시간동안 상기 설비 또는 구조물에서 발생된 소음을 주파수에 따른 전압신호로 변환한 후, 소정 주파수 대역의 전압신호만 통과시켜 상기 소정 주파수 대역의 전압신호를 근거로 음압값을 산출하고, 상기 설정부는 설정된 진동주파수의 측정범위 및 설정된 소음의 측정범위에 부합하는 정보를 측정하도록 상기 진동주파수 측정부의 주파수 필터값 및 소음측정부의 데시벨 필터값을 설정하고, 상기 설비 또는 구조물의 국부적 측정범위의 개수에 따른 상기 딥러닝 자가진단 학습부에서의 학습패턴을 설정하고, 상기 진동주파수 측정부는 상기 시설물 또는 구조물의 표면에 발생하는 미세 진동(떨림)신호를 증폭하는 주파수 증폭부; 증폭된 아날로그 진동신호를 디지털 신호로 변환하는 신호변환부; 안티-앨리어싱(Anti-aliasing) 아날로그 필터, 양자화, 오버샘플링(Oversampling), 안티-앨리어싱 디지털 필터, 다운샘플링(Downsampling)을 순차적으로 수행하여 디지털 신호의 변환과정에서 신호 왜곡을 방지하는 필터부; 및 디지털로 변환된 진동신호를 시간영역 및 주파수 영역으로 분석하는 FFT(Fast Fouier Transform) 분석부를 포함하고, 상기 딥러닝 자가진단 학습부는 상기 설비 또는 구조물의 비정상 상태시에 발생한 소음 및 진동 주파수의 주기패턴을 포함하는 학습데이터들을 믹스-어그멘테이션 방식에 적용시켜 상기 설비 또는 구조물의 비정상 상태에서 발생하는 소음 및 진동 주파수의 학습데이터를 파생하고, 상기 설비 또는 구조물에서 발생하는 소음 및 진동 주파수 범위에 따라 네트워크 구조의 층인 입력층(Input layer), 히든층(hidden layer), 출력층(output layer)의 뉴런의 수를 가변시켜 학습진도율을 조정하는 기능을 포함하는 것을 특징으로 한다.
상기 과제를 해결하기 위한 본 발명의 일 실시예에 따른 예지정비방법은 진동 및 소음이 발생하는 설비에 상시 부착된 상태로 실시간 설비에서 발생하는 진동 및 소리 추이에 기초하여 설비 또는 구조물의 정상상태 및 불량상태를 딥러닝 알고리즘을 통해 학습한 후, 상기 설비 또는 구조물에서 발생하는 소음 및 진동이 학습된 정상상태의 진동 및 소음의 최소 임계점에 도달될 경우, 예지 정비 경고음을 생성하여 관리자에게 제공하기 위하여, 입력부, 설정부, 진동주파수 측정부, 소음 측정부, 딥러닝 자가진단 학습부 및 출력부로 구성된 예지벙비장치의 예지정비방법으로, 상기 입력부에서 소음 및 진동 중 적어도 하나 이상이 발생하는 설비 또는 구조물의 종류를 입력하는 단계; 상기 진동주파수 측정부에서 기 설정된 시간동안 상기 진동의 진동주파수를 측정하는 단계; 상기 소음 측정부에서 기 설정된 시간동안 상기 소음을 측정하는 단계; 상기 딥러닝 자가진단 학습부에서 상기 설비 또는 구조물의 정상상태시에 발생하는 소음 및 진동을 학습한 후, 학습결과를 기초로 측정된 소음 및 측정된 진동주파수의 주기패턴의 변화를 추출하고, 추출된 주기패턴의 변화크기를 통해 상기 시설물 또는 구조물의 이상발생을 예측하는 단계; 및 상기 출력부에서 상기 딥러닝 자가진단 학습부의 예측결과를 음성 또는 시각으로 출력하는 단계를 포함하고, 상기 소음을 측정하는 단계는 기 설정된 시간동안 설비 또는 구조물에서 발생된 소음을 주파수에 따른 전압신호로 변환한 후, 소정 주파수 대역의 전압신호만 통과시켜 상기 소정 주파수 대역의 전압신호를 근거로 음압값을 산출하는 단계를 포함하고, 상기 설정부는 상기 입력부에서 입력된 설비 또는 구조물의 종류에 따른 자가진단 학습에 필요한 진동주파수의 측정범위(hz) 및 상기 소음의 측정범위(db)를 설정하고, 설정된 진동주파수의 측정범위 및 설정된 소음의 측정범위에 부합하는 정보를 측정하도록 상기 진동주파수 측정부의 주파수 필터값 및 소음측정부의 데시벨 필터값을 설정하고, 상기 설비 또는 구조물의 국부적 측정범위의 개수에 따른 상기 딥러닝 자가진단 학습부에서의 학습패턴을 설정하고, 상기 진동주파수 측정부는 상기 설비 또는 구조물의 표면에 발생하는 미세 진동(떨림)신호를 증폭하는 주파수 증폭부; 증폭된 아날로그 진동신호를 디지털 신호로 변환하는 신호변환부; 안티-앨리어싱(Anti-aliasing) 아날로그 필터, 양자화, 오버샘플링(Oversampling), 안티-앨리어싱 디지털 필터, 다운샘플링(Downsampling)을 순차적으로 수행하여 디지털 신호의 변환과정에서 신호 왜곡을 방지하는 필터부; 및 디지털로 변환된 진동신호를 시간영역 및 주파수 영역으로 분석하는 FFT(Fast Fouier Transform) 분석부를 포함하고, 상기 딥러닝 자가진단 학습부는 상기 설비 또는 구조물의 비정상 상태시에 발생한 소음 및 진동 주파수의 주기패턴을 포함하는 학습데이터들을 믹스-어그멘테이션 방식에 적용시켜 상기 설비 또는 구조물의 비정상 상태에서 발생하는 소음 및 진동 주파수의 학습데이터를 파생하고, 상기 설비 또는 구조물에서 발생하는 소음 및 진동 주파수 범위에 따라 네트워크 구조의 층인 입력층(Input layer), 히든층(hidden layer), 출력층(output layer)의 뉴런의 수를 가변시켜 학습진도율을 조정하는 기능을 포함하는 것을 특징으로 한다.
본 발명의 일 실시예에 따른 설비 예지정비장치 및 방법을 이용하면, 진동이 및 소리가 발생하는 설비 및 구조물의 결함위치파악, 균열발생여부, 안전이상상태 등을 사전에 예측할 수 있다는 이점이 있다.
도 1은 본 발명의 일 실시예에 따른 예지정비장치를 나타낸 블록도이다.
도 2는 도 1에 도시된 진동주파수 측정부의 세부구성도이다.
도 3은 딥러닝 네트워크의 일 예시도이다.
도 4는 본 발명의 일 실시예에 따른 예지정비방법을 설명한 흐름도이다.
이하, 본 명세서의 실시예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 명세서에 기재된 기술을 특정한 실시 형태에 대해 한정하는 것이 아니며, 본 명세서의 실시예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 본 명세서에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
본 명세서에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상"등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
본 명세서에서 사용된 "제 1," "제 2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. 예를 들면, 제 1 사용자 기기와 제 2 사용자 기기는, 순서 또는 중요도와 무관하게, 서로 다른 사용자 기기를 나타낼 수 있다. 예를 들면, 본 명세서에 기재된 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 바꾸어 명명될 수 있다.
어떤 구성요소(예: 제 1 구성요소)가 다른 구성요소(예: 제 2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제 3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소(예: 제 1 구성요소)가 다른 구성요소(예: 제 2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제 3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.
본 명세서에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다.
예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
본 명세서에서 사용된 용어들은 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 다른 실시예의 범위를 한정하려는 의도가 아닐 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 용어들은 본 명세서에 기재된 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질 수 있다. 본 명세서에 사용된 용어들 중 일반적인 사전에 정의된 용어들은, 관련 기술의 문맥상 가지는 의미와 동일 또는 유사한 의미로 해석될 수 있으며, 본 명세서에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 경우에 따라서, 본 명세서에서 정의된 용어일지라도 본 명세서의 실시예들을 배제하도록 해석될 수 없다.
이하, 첨부된 도면들에 기초하여 본 발명의 일 실시예에 따른 예지정비장치 및 방법을 보다 상세하게 설명하도록 한다.
도 1은 본 발명의 일 실시예에 따른 예지정비장치를 나타낸 블록도이고, 도 2는 도 1에 도시된 진동주파수 측정부의 세부구성도이고, 도 3은 딥러닝 네트워크의 일 예시도이다.
도 1에 도시된 바와 같이, 본 발명이 일 실시예에 따른 예지정비장치(100)는 진동 및 소음이 발생하는 설비 또는 구조물에 상시 부착된 상태로 실시간 설비와 구조물에서 발생하는 진동 및 소리 추이에 기초하여 설비 및 구조물의 정상상태 및 불량상태를 딥러닝 알고리즘을 통해 학습한 후, 설비에서 발생하는 진동 및 소음이 학습된 정상상태의 진동 및 소음의 최소 임계점에 도달될 경우, 예지정비 경고음을 생성하여 관리자에게 제공하는 것을 특징으로 하는 발명일 수 있다.
보다 구체적으로, 상기 예지정비장치(100)는 입력부(110), 설정부(120), 진동주파수 측정부(130), 소음측정부(140), 딥러닝 자가진단 학습부(150) 및 출력부(160)를 포함한다.
입력부(110)는 소음 및 진동 중 적어도 하나 이상이 발생하는 시설물 또는 구조물의 종류를 입력하기 위한 구성일 수 있다.
또한, 입력부(110)는 후술하는 출력부(150)의 표시부(Displayer)와 연동되는 구성으로, 사용자의 터치 기반 입력 UI 및/또는 음성 인식 기반의 입력 UI(User-Interface)를 제공한다.
설정부(120)는 입력부(110)에서 입력된 시설물 또는 구조물의 정보(종류)에 따른 자가진단 학습에 필요한 진동주파수의 측정범위, 소음의 측정범위를 설정하는 구성일 수 있다.
또한, 설정부(120)는 설정된 진동주파수의 측정범위 및 소음의 측정범위에 부합하는 정보를 측정하도록 상기 진동주파수 측정부(130)의 주파수 필터값 및 소음측정부의 데시벨 필터값을 설정하는 구성일 수 있다.
또한, 설정부(120)는 설비 또는 구조물의 국부적 측정범위의 개수에 따른 딥러닝 자가진단 학습부(150)에서 학습패턴을 설정하는 구성일 수도 있다.
다음으로, 진동주파수 측정부(130)는 기 설정된 시간동안 상기 진동의 진동주파수를 측정한다.
상기 진동주파수 측정부(130)는 주파수 증폭부(131), 신호변환부(132), 필터부(133) 및 FFT 분석부(134)을 포함한다.
상기 주파수 증폭부(131)는 설비 또는 구조물의 표면에 발생하는 미세 진동(떨림)신호를 증폭하는 구성일 수 있다.
상기 신호변환부(131)는 증폭된 아날로그 진동신호를 디지털 신호로 변환하는 구성으로, 일반적인 경우 아날로그 신호를 디지털신호로 변환할 때 아날로그 신호의 최고 주파수가 샘플링 주파수의 절반 이하이면 문제되지 않으나, 아날로그 신호의 최고 주파수가 샘플링 주파수의 절반보다 큰 경우에는 디지털 변환된 신호에 왜곡이 발생할 수 있다.
따라서, 본원은 필터부(133)의 안티-앨리어싱(Anti-aliasing) 아날로그 필터, 양자화, 오버샘플링(Oversampling), 안티-앨리어싱 디지털 필터, 다운샘플링(Downsampling)을 순차적으로 수행함으로써, 변환과정에서의 신호 왜곡을 방지할 수 있도록 구성한다.
FFT(Fast Fouier Transform) 분석부(134)는 디지털로 변환된 진동신호를 시간영역 및 주파수 영역으로 분석한다. 시간영역분석은 로우패스필터(Low pass Filter), 하이패스필터(High Pass Filter), 밴드패스필터(Band Pass Filter), 미분기 및 적분기 등을 통해 RMS, Peak, Crest Factor, Kurtosis 데이터를 생성한다.
주파수영역분석은 진동신호에 대해 그 성분의 크기를 주파수 함수로 구하는 것으로, 측정된 진동신호의 파형에 수치를 계산하기 위해 기계적, 전기적 필터를 사용하여 도출한다.
상기 소음측정부(140)는 기 설정된 시간동안 설비 또는 구조물에서 발생된 소음을 기 설정된 시간동안 측정하는 구성일 수 있다.
한편, 상기 소음측정부(140)는 기 설정된 시간동안 설비 또는 구조물에서 발생된 소음을 주파수에 따른 전압신호로 변환한 후, 소정 주파수 대역의 전압신호만 통과시켜 상기 소정 주파수 대역의 전압신호를 근거로 음압값을 계산하는 구성일 수 있다.
다음으로, 딥러닝 자가진단 학습부(150)는 상기 시설물 또는 구조물의 정상상태시에 발생하는 소음 및 진동을 학습한 후, 학습결과를 기초로 측정된 소음 및 측정된 진동주파수의 주기패턴의 변화를 추출하고, 추출된 주기패턴의 변화크기를 통해 상기 시설물 또는 구조물의 이상발생을 예측하는 구성일 수 있다.
상기 딥러닝 자가진단 학습부(150)는 시설물 또는 구조물의 비정상상태시에 발생한 소음 및 진동 주파수의 주기패턴을 포함하는 학습데이터들 믹스-어그멘테이션(Mix-augmentation) 방식에 적용시켜 시설물 또는 구조물의의 비정상상태에서 발생하는 소음 및 진동 주파수의 학습데이터를 파생(생성)할 수 있다.
한편, 딥러닝 자가진단 학습부(150)는 학습을 통해 구성된 네트워크 구조를 기반으로 신경망을 학습하거나 결과를 도출할 수 있다. 신경망의 구조는 하나 이상의 레이어로 구성된 네트워크 구조를 형성할 수 있는데, 이러한 네트워크 구조는 인공 신경망(Artificial Neural Network), 컨벌루션 신경망(Convolutional Neural
Network), 회귀 신경망(Recurrent Neural Network), 양방향성 신경망(Bidirectional Neural Network)등 다양한 방식을 포함할 수 있다. 나아가, 상기 네트워크 구조는 컨벌루션, 서브 샘플링, 활성화(Activation), 드롭 아웃(Drop out), 소프트맥스(Softmax), 정규화 등 다양한 방식을 반영하여 구성될 수 있다.
또한, 딥러닝 자가진단 학습부(150)는 네트워크 노드의 출력 값을 바탕으로 비정상상태의 소음 및 진동의 주파수의 주기 패턴 특성을 판단한다. 뉴럴 네트워크는 수많은 노드의 출력 값의 조합을 통해 결과를 출력해 내므로 입력된 신호, 즉 비정상상태의 소음 및 진동주파수의 주기 패턴 특성에 따라 활성화되는 노드가 달라질 수 있다.
한편, 본 발명의 딥러닝 자가진단 학습부(150)는 적용설비 또는 구조물에서 발생하는 소음 및 진동 주파수 범위에 따라 조정될 수 있도록, 네트워크 구조의 층, 예컨대, 입력층(Input layer), 히든층(hidden layer), 출력층(output layer)의 뉴련의 수를 가변시켜, 학습진도율을 조정할 수 있는 기능을 포함할 수 있다.
예컨대, 네트워크의 바이어스는 0으로 초기화 하고, 각 뉴런연결 가중치는 학습결과에 영향을 끼치기 때문에 입력, 히든, 출력층의 모든 연결강도에 대한 초기화값의 범위를 정한 후 초기화 한다.
이때, 초기화 값의 범위는 먼저 입력뉴런의 수를 n으로 정한다면, 임의숫자 발생기(random generator)를 범위를 [-/n, +1/n]에서 무작위(random number)로 발생하여 가중치를 초기화할 수 있다.
다음으로, 상기 출력부(160)는 상기 딥러닝 자가진단 학습부(150)의 예측결과를 음성 또는 시각으로 출력할 수 있다.
상기 출력부(160)는 표시부 및 알람부를 포함할 수 있고, 표시부는 액정 디스플레이(Liquid Crystal Display: LCD), 박막 트랜지스터 액정 디스플레이(Thin Film Transistor-Liquid Crystal Display: TFT LCD), 유기 발광 다이오드(Organic Light-Emitting Diode: OLED), 플렉시블 디스플레이(Flexible Display), 3차원 디스플레이(3D Display), 전자잉크 디스플레이(e-ink display), LED(Light Emitting Diode) 중에서 적어도 하나를 포함할 수 있다.
도 4는 본 발명의 일 실시예에 따른 설비 또는 구조물의 예지정비방법을 설명한 흐름도이다.
도 4를 참조하면, 본 발명의 일 실시예에 따른 설비 또는 구조물의 예지정비방법(S700)은 입력부(110)에서 소음 및 진동 중 적어도 하나 이상이 발생하는 시설물 또는 구조물의 종류를 입력(S710)하면, 진동주파수 측정부(130)에서 기 설정된 시간동안 상기 진동의 진동주파수를 측정(S720)하고, 소음 측정부(140)에서 기 설정된 시간동안 상기 소음을 측정(S730)한다.
이후, 딥러닝 자가진단 학습부(150)에서 상기 시설물 또는 구조물의 정상상태 시에 발생하는 소음 및 진동을 학습한 후, 학습결과를 기초로 측정된 소음 및 측정된 진동주파수의 주기패턴의 변화를 추출하고, 추출된 주기패턴의 변화크기를 통해 상기 시설물 또는 구조물의 이상발생을 예측(S740)한 후, 출력부(160)에서 상기 딥러닝 자가진단 학습부(150)의 예측결과를 음성 또는 시각으로 출력(S750)한다.
따라서, 본 발명의 일 실시에에 따른 예지정비장치 및 이를 이용한 예지정비방법을 이용하면, 진동 및 소리가 발생되는 설비 및 구조물의 상태이상을 예측하여 감지하고, 이를 기반으로 관리자에게 해당 시설물 및 구조물의 상태이상을 경고(알람)할 수 있다는 이점이 있다.
이를 통해 시설관리 및 구조물 관리에 따른 사후관리비용을 최소화시킬 수 있다는 이점을 제공한다.
본 발명의 일 실시예에서 사용된 “~부”는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다
본 발명의 실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
전술된 내용은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 예지정비장치
110: 입력부
120: 설정부
130: 진동주파수 측정부
131: 주파수 증폭부
132: 신호변환부
133: 필터부
134: FFT 분석부
140: 소음 측정부
150: 딥러닝 자가진단 학습부
160: 출력부

Claims (6)

  1. 진동 및 소음이 발생하는 설비에 상시 부착된 상태로 실시간 설비에서 발생하는 진동 및 소리 추이에 기초하여 설비 또는 구조물의 정상상태 및 불량상태를 딥러닝 알고리즘을 통해 학습한 후, 상기 설비 또는 구조물에서 발생하는 소음 및 진동이 학습된 정상상태의 진동 및 소음의 최소 임계점에 도달될 경우, 예지 정비 경고음을 생성하여 관리자에게 제공하는 예지정비장치에 있어서,
    상기 예지정비장치는
    상기 소음 및 진동 중 적어도 하나 이상이 발생하는 설비 또는 구조물의 종류를 입력하는 입력부;
    상기 입력부에서 입력된 설비 또는 구조물의 종류에 따른 자가진단 학습에 필요한 진동주파수의 측정범위(hz) 및 상기 소음의 측정범위(db)를 설정하는 설정부;
    기 설정된 시간동안 상기 진동의 진동주파수를 측정하는 진동주파수 측정부;
    기 설정된 시간동안 상기 소음을 측정하는 소음 측정부;
    상기 설비 또는 구조물의 정상상태 시에 발생하는 소음 및 진동을 학습한 후, 학습결과를 기초로 측정된 소음 및 측정된 진동주파수의 주기패턴의 변화를 추출하고, 추출된 주기패턴의 변화크기를 통해 상기 설비 또는 구조물의 이상발생을 예측하는 딥러닝 자가진단 학습부; 및
    상기 딥러닝 자가진단 학습부의 예측결과를 음성 또는 시각으로 출력하는 출력부를 포함하고,
    상기 소음측정부는
    기 설정된 시간동안 상기 설비 또는 구조물에서 발생된 소음을 주파수에 따른 전압신호로 변환한 후, 소정 주파수 대역의 전압신호만 통과시켜 상기 소정 주파수 대역의 전압신호를 근거로 음압값을 산출하고,
    상기 설정부는 설정된 진동주파수의 측정범위 및 설정된 소음의 측정범위에 부합하는 정보를 측정하도록 상기 진동주파수 측정부의 주파수 필터값 및 소음측정부의 데시벨 필터값을 설정하고,
    상기 설비 또는 구조물의 국부적 측정범위의 개수에 따른 상기 딥러닝 자가진단 학습부에서의 학습패턴을 설정하고,
    상기 진동주파수 측정부는
    상기 설비 또는 구조물의 표면에 발생하는 미세 진동(떨림)신호를 증폭하는 주파수 증폭부;
    증폭된 아날로그 진동신호를 디지털 신호로 변환하는 신호변환부;
    안티-앨리어싱(Anti-aliasing) 아날로그 필터, 양자화, 오버샘플링(Oversampling), 안티-앨리어싱 디지털 필터, 다운샘플링(Downsampling)을 순차적으로 수행하여 디지털 신호의 변환과정에서 신호 왜곡을 방지하는 필터부; 및
    디지털로 변환된 진동신호를 시간영역 및 주파수 영역으로 분석하는 FFT(Fast Fouier Transform) 분석부를 포함하고,
    상기 딥러닝 자가진단 학습부는
    상기 설비 또는 구조물의 비정상 상태시에 발생한 소음 및 진동 주파수의 주기패턴을 포함하는 학습데이터들을 믹스-어그멘테이션 방식에 적용시켜 상기 설비 또는 구조물의 비정상 상태에서 발생하는 소음 및 진동 주파수의 학습데이터를 파생하고,
    상기 설비 또는 구조물에서 발생하는 소음 및 진동 주파수 범위에 따라 네트워크 구조의 층인 입력층(Input layer), 히든층(hidden layer), 출력층(output layer)의 뉴런의 수를 가변시켜 학습진도율을 조정하는 기능을 포함하는 것을 특징으로 하는 예지정비장치.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 진동 및 소음이 발생하는 설비에 상시 부착된 상태로 실시간 설비에서 발생하는 진동 및 소리 추이에 기초하여 설비 또는 구조물의 정상상태 및 불량상태를 딥러닝 알고리즘을 통해 학습한 후, 상기 설비 또는 구조물에서 발생하는 소음 및 진동이 학습된 정상상태의 진동 및 소음의 최소 임계점에 도달될 경우, 예지 정비 경고음을 생성하여 관리자에게 제공하기 위하여,
    입력부, 설정부, 진동주파수 측정부, 소음 측정부, 딥러닝 자가진단 학습부 및 출력부로 구성된 예지벙비장치의 예지정비방법에 있어서,
    상기 입력부에서 소음 및 진동 중 적어도 하나 이상이 발생하는 설비 또는 구조물의 종류를 입력하는 단계;
    상기 진동주파수 측정부에서 기 설정된 시간동안 상기 진동의 진동주파수를 측정하는 단계;
    상기 소음 측정부에서 기 설정된 시간동안 상기 소음을 측정하는 단계;
    상기 딥러닝 자가진단 학습부에서 상기 설비 또는 구조물의 정상상태시에 발생하는 소음 및 진동을 학습한 후, 학습결과를 기초로 측정된 소음 및 측정된 진동주파수의 주기패턴의 변화를 추출하고, 추출된 주기패턴의 변화크기를 통해 상기 시설물 또는 구조물의 이상발생을 예측하는 단계; 및
    상기 출력부에서 상기 딥러닝 자가진단 학습부의 예측결과를 음성 또는 시각으로 출력하는 단계를 포함하고,
    상기 소음을 측정하는 단계는
    기 설정된 시간동안 설비 또는 구조물에서 발생된 소음을 주파수에 따른 전압신호로 변환한 후, 소정 주파수 대역의 전압신호만 통과시켜 상기 소정 주파수 대역의 전압신호를 근거로 음압값을 산출하는 단계를 포함하고,
    상기 설정부는
    상기 입력부에서 입력된 설비 또는 구조물의 종류에 따른 자가진단 학습에 필요한 진동주파수의 측정범위(hz) 및 상기 소음의 측정범위(db)를 설정하고,
    설정된 진동주파수의 측정범위 및 설정된 소음의 측정범위에 부합하는 정보를 측정하도록 상기 진동주파수 측정부의 주파수 필터값 및 소음측정부의 데시벨 필터값을 설정하고,
    상기 설비 또는 구조물의 국부적 측정범위의 개수에 따른 상기 딥러닝 자가진단 학습부에서의 학습패턴을 설정하고,
    상기 진동주파수 측정부는
    상기 설비 또는 구조물의 표면에 발생하는 미세 진동(떨림)신호를 증폭하는 주파수 증폭부;
    증폭된 아날로그 진동신호를 디지털 신호로 변환하는 신호변환부;
    안티-앨리어싱(Anti-aliasing) 아날로그 필터, 양자화, 오버샘플링(Oversampling), 안티-앨리어싱 디지털 필터, 다운샘플링(Downsampling)을 순차적으로 수행하여 디지털 신호의 변환과정에서 신호 왜곡을 방지하는 필터부; 및
    디지털로 변환된 진동신호를 시간영역 및 주파수 영역으로 분석하는 FFT(Fast Fouier Transform) 분석부를 포함하고,
    상기 딥러닝 자가진단 학습부는
    상기 설비 또는 구조물의 비정상 상태시에 발생한 소음 및 진동 주파수의 주기패턴을 포함하는 학습데이터들을 믹스-어그멘테이션 방식에 적용시켜 상기 설비 또는 구조물의 비정상 상태에서 발생하는 소음 및 진동 주파수의 학습데이터를 파생하고,
    상기 설비 또는 구조물에서 발생하는 소음 및 진동 주파수 범위에 따라 네트워크 구조의 층인 입력층(Input layer), 히든층(hidden layer), 출력층(output layer)의 뉴런의 수를 가변시켜 학습진도율을 조정하는 기능을 포함하는 것을 특징으로 하는 예지정비방법.
KR1020200026531A 2020-03-03 2020-03-03 예지정비장치 및 방법 KR102549490B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200026531A KR102549490B1 (ko) 2020-03-03 2020-03-03 예지정비장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200026531A KR102549490B1 (ko) 2020-03-03 2020-03-03 예지정비장치 및 방법

Publications (2)

Publication Number Publication Date
KR20210111502A KR20210111502A (ko) 2021-09-13
KR102549490B1 true KR102549490B1 (ko) 2023-06-29

Family

ID=77796716

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200026531A KR102549490B1 (ko) 2020-03-03 2020-03-03 예지정비장치 및 방법

Country Status (1)

Country Link
KR (1) KR102549490B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240074074A (ko) 2022-11-18 2024-05-28 주식회사 알엠에이 Ai 기반 위험예지 이상징후 탐지모델 플랫폼 서비스 방법

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050119290A (ko) * 2004-06-16 2005-12-21 삼성전자주식회사 전자기기의 소음측정장치 및 그 측정방법
KR100997897B1 (ko) * 2008-06-04 2010-12-02 주식회사 사이로직 진동신호를 이용한 엔진 조립불량 검출방법 및진동측정장치
KR20180116577A (ko) * 2017-04-17 2018-10-25 선문대학교 산학협력단 건물 시스템 진단 방법 및 장치
KR20190078685A (ko) * 2017-12-13 2019-07-05 (주) 엠투유테크널러지 점진적 군집화를 이용한 센서 데이터의 이상 패턴 감지 방법
KR20190129258A (ko) * 2018-05-10 2019-11-20 에이에스티인터내셔널 주식회사 설비의 결함을 예측하는 모듈형 예지 보전 장치 및 방법

Also Published As

Publication number Publication date
KR20210111502A (ko) 2021-09-13

Similar Documents

Publication Publication Date Title
Dinardo et al. A smart and intuitive machine condition monitoring in the Industry 4.0 scenario
US10674297B2 (en) Vibration monitoring systems
US9996405B2 (en) Embedded prognostics on PLC platforms for equipment condition monitoring, diagnosis and time-to-failure/service prediction
US20130148817A1 (en) Abnormality detection apparatus for periodic driving system, processing apparatus including periodic driving system, abnormality detection method for periodic driving system, and computer program
Tao et al. An alternative time-domain index for condition monitoring of rolling element bearings—A comparison study
US20200402679A1 (en) Online Sensor and Process Monitoring System
WO2020039565A1 (ja) 回転機械に用いられる軸受の異常診断方法
JP2009537835A (ja) 振動解析による構造体の非破壊検査装置
US10018596B2 (en) System and method for monitoring component health using resonance
JP2008248883A (ja) 蒸気タービンの弁組立体を監視するための方法及び装置
Gong et al. Design and implementation of acoustic sensing system for online early fault detection in industrial fans
Nazarko et al. Application of artificial neural networks in the damage identification of structural elements
KR102549490B1 (ko) 예지정비장치 및 방법
Er et al. Approach towards sensor placement, selection and fusion for real-time condition monitoring of precision machines
Jamia et al. Mistuning identification in a bladed disk using wavelet packet transform
KR20140072331A (ko) 이상진단 사전감시 방법
Zhang et al. A weak fault identification method of micro-turbine blade based on sound pressure signal with LSTM networks
Chu et al. A review of vibration analysis and its applications
JPH0484754A (ja) 材料の健全性評価法
Lee et al. Condition monitoring of a nuclear power plant check valve based on acoustic emission and a neural network
KR20230102431A (ko) 인공지능 기반의 오일가스 플랜트 설비 고장 예측 및 진단시스템
Vazirizade et al. Structural damage detection using ensemble empirical mode decomposition, hilbert transform and artificial neural networks
Wu et al. Stress wave analysis based prognostic health management
Dackermann et al. Application of cepstrum analysis and artificial neural networks for the damage identification of a two-storey framed structure based on response-only measurements
dos Santos Pedotti et al. Failure analysis on a water pump based on a low-cost MEMS accelerometer and Machine Learning Classifiers

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant